Análise espaço-temporal e previsão por machine learning da evapotranspiração de referência em Khenchela, Argélia: comparação dos modelos MLR, GRNN e LSTM

Resumo

A evapotranspiração de referência (ET₀) é um parâmetro fundamental para a gestão de recursos hídricos em regiões semiáridas com climas variáveis. Este estudo analisou a dinâmica espaço-temporal da ET₀ anual na região de Khenchela, nordeste da Argélia (2000–2024). A ET₀ foi calculada utilizando o método de Penman-Monteith da FAO-56 (PM) e os padrões espaciais foram mapeados por Ponderação pelo Inverso da Distância (IDW). Dados meteorológicos de 16 estações foram utilizados para treinar três modelos: Regressão Linear Múltipla (MLR), Rede Neural de Regressão Generalizada (GRNN) e Memória de Longo e Curto Prazo (LSTM) para prever a ET₀. A média regional anual da ET₀ aumentou 7,2% da média decenal de 2010 a 2019 (1.490 mm/ano) para 2020-2024 (1.597 mm/ano), representando um aumento cumulativo de 7% em 25 anos comparado à linha de base de 2000-2009, com pontos críticos em Babar 2 atingindo aproximadamente 2.194 mm/ano. O teste de Mann-Kendall confirmou tendências de elevação significativas (p < 0,05) impulsionadas pelo aumento de temperaturas e declínio da umidade relativa. Todos os modelos apresentaram bom desempenho (R² > 0,965; RMSE < 0,49 mm/dia; RSR < 0,20), com o LSTM demonstrando precisão superior (R² > 0,987; RMSE < 0,232 mm/dia; NSE ≈ 0,991; WI > 0,909). O desempenho superior do LSTM é atribuído à sua capacidade de capturar autocorrelação temporal e dependências de longo prazo em séries climáticas. Esses resultados fundamentam a irrigação adaptativa e mitigação de secas em regiões semiáridas do norte da África.

Palavras-chave: aprendizado de máquina, evapotranspiração, FAO-56 Penman-Monteith, gestão de recursos hídricos, mudanças climáticas, região semiárida argelina.